สรุป AI Skills ปี 2024 ที่นักการตลาดควรรู้ รวมแหล่งอ่าน และอัพเดท
ปัจจุบันจากการที่งานสาย Data เป็นงานที่ได้รับความสนใจอย่างต่อเนื่อง ทั้งในส่วนของการวิเคราะห์ข้อมูลเอง หรือในส่วนของงานด้านการตลาดที่มีการนำเอาหลักการวิเคราะห์ข้อมูลมาใช้งานเพื่อเพิ่มความสามารถในการแข่งขัน ทำให้เป็นที่แน่นอนค่ะว่า องค์ความรู้ด้าน AI กลายเป็นสิ่งจำเป็นที่ไม่ใช่แค่ Buzzword เท่ๆ แต่เป็นสิ่งที่ Must know! สำหรับทุกสายงาน
แล้วจากคำกว้างๆ นี้เราจะเฉพาะเจาะจงลงไปได้อย่างไรล่ะว่า เราควรรู้อะไร อะไรที่จำเป็นที่เราต้องรู้ หรือศึกษาเพิ่มเติม เพื่อให้สามารถเข้าใจถึงภาพรวมขององค์ประกอบทั้งหมด ตลอดจนสามารถนำ AI Tools ต่างๆ มาใช้ได้อย่างถูกประเภท มีประสิทธิภาพอย่างแท้จริง และไม่เป็นการขี่ช้างจับตั๊กแตก อย่างที่มักเกิดขึ้นในองค์กรใหญ่ที่ (เข้าใจว่า) ตัวเองมีข้อมูลจำนวนมหาศาล เลยพยายามจะ Integrate ทุกอย่างทั้งที่ไม่จำเป็น 😵😱
และคำตอบของคำถามข้างต้น อยู่ในบทความนี้ค่ะ^^
#1 ทักษะการเขียนโปรแกรม (Coding)
ถึงแม้ว่าในปัจจุบันจะมี Tools ต่างๆ ที่เป็น Low-code หรือ No-code ถูกปล่อยออกมากันอย่างมากมาย ทำให้เราได้รับความสะดวกยิ่งขึ้นในการสร้างงานด้าน AI แต่อย่างไรก็ตาม ไม่มีงานทางเทคนิคใดเลยค่ะ ที่จะสมบูรณ์อย่างมีประสิทธิภาพได้หากคนที่สร้าง หรือคนในทีมนั้นขาดความรู้ในการเขียนโค้ด หรือขาดทักษะด้าน Programing Language
ซึ่งนิกไม่ได้หมายความว่าพวกเราจะต้องลุกขึ้นมา Coding แบบโหดๆ กันเพื่อทำ Data Analysis นะคะ แต่นิกหมายถึงเราต้องโค้ดได้บ้าง เพื่อให้เข้าใจข้อจำกัด และความสามารถของงานที่จะสร้างได้จากการ Coding โดยสิ่งนี้เองจะสามารถช่วยลดข้อจำกัด และสร้างจิตนาการ(ซึ่งต้องบอกว่าจำเป็นมาก) ในการสร้างงาน หรือการวิเคราะห์ Data เพิ่มเติมค่ะ
นอกจากนี้หากทุกท่านสังเกตุ จะพบว่าคอร์สเรียนหลายคอร์สที่เกี่ยวข้องกับ AI, ML หรือ Deep learning ที่สอนเชิงลึกเกี่ยวกับทฤษฎีมักจะถูกรวมอยู่ใน Programming Course ด้วยเสมอ ดังนั้นเราจึงหลีกเลี่ยงไม่ได้ค่ะที่จะต้องมีองค์ความรู้ด้าน Programming Language หลายภาษา เช่น Python, R, และ SQL (เอาไว้ Query ข้อมูล) เป็นต้น (แต่เน้นย้ำเหมือนเดิมค่ะว่า อาจไม่ถึงขั้นต้องเทพมากนะคะ^^) เพราะการเขียนโปรแกรมเป็นหัวใจหลักของ AI และ ML ซึ่งใช้งานในการทำ Data Marketing ในปัจจุบัน สิ่งนี้จึงเป็นทักษะที่ไม่อาจมองข้ามได้นั่นเองค่ะ
ซึ่งหากเพื่อนๆ ต้องการเริ่มศึกษาเพิ่มเติม ในบทความนี้จะขอแนะนำเป็นภาษา Python ที่เป็นภาษาที่ได้รับความนิยมมากในชาว Data Scientist หรือผู้ที่เกี่ยวข้องกับการใช้ AI, ML ค่ะ นอกจากนี้จุดเด่นที่สำคัญอีกอย่างของ Python คือการที่มี Library และ Framework ที่หลากหลาย เช่น TensorFlow, PyTorch และ Scikit Learn เป็นต้น ซึ่ง Libraries เหล่านี้เป็นสิ่งจำเป็นสำหรับงานต่างๆ ที่เราจะต้องใช้ในการจัดการกับข้อมูล เช่น การจัดการข้อมูล การพัฒนาโมเดล และการประเมินผล
ดังนั้นทักษะแรกสำหรับปี 2024 ที่เราไม่อาจหลีกเลี่ยงได้ และควรที่จะต้องทำการ Upskill เพิ่มเติม นั่นคือเรื่องของการศึกษา Programing Language ต่างๆ นั่นเองค่ะ^^
ป.ล. ทั้งนี้หากเพื่อนๆ ยังไม่อยากลงโปรแกรมในเครื่อง แต่อยากลอง Coding Python สามารถเข้าไปที่ Link: https://colab.google/ เพื่อลอง Code หรือเข้าไปดูตัวอย่างโค้ดใน https://www.kaggle.com/ ได้เช่นเดียวกันค่ะ^^
#2 AI & ML Algorithms
มาถึงทักษะต่อไปที่เราควรรู้คือเรื่องของ Algorithms ของ Machine Learnig ถึงแม้ว่าเราจะไม่จำเป็นต้องสร้าง ML Model เองก็ตาม
ถึงแม้ว่าในปัจจุบันมี Algorithms เยอะมาก ซึ่งเราไม่จำเป็นต้องรู้ทั้งหมด แต่ก็ยังมีอัลกอริทึมสำคัญที่เป็นตัวหลักที่เราจะต้องทำความเข้าใจอยู่ และ Algorithms เหล่านั้นมีดังนี้ค่ะ
- Linear Regression
- Logistic Regression
- Decision Trees
- Random Forests
- Support Vector Machines: SVM
- Naive Bayes
- k-Nearest Neighbors
- Clustering algorithms เช่น K-Means หรือ Hierarchical Clustering
โดยสิ่งที่เราจำเป็นต้องรู้คือเมื่อใดเราควรเลือกใช้ Algorithms ไหน และวิธีการใช้รวมถึงข้อจำกัดกับกับปัญหาที่แตกต่างกัน ตลอดจนจุดอ่อนและจุดแข็งของแต่ละอัลกอริทึมด้วย
# 3 Deep Learning AI และ Neural Networks (NN)
การเรียนรู้เชิงลึกหรือ Deep Learning ถือเป็นขั้นกว่าของ ML และ AI ที่สามารถทำงานกับกับข้อมูลที่มีความซับซ้อน เช่น การรู้จำภาพ, การประมวลผลภาษาธรรมชาติ (NLP) และการรู้จำเสียง ได้ ซึ่งในปัจจุบันได้เข้ามามีบทบาทสำคัญมากๆ ในการช่วยวิเคราะห์ข้อมูล เช่น การประมวลผลภาพเพื่อตรวจจับ Object ในการนับจำนวนของลูกค้า หรือการตรวจจับอารมณ์ของลูกค้าและผู้ใช้งานแพลตฟอร์มเป็นต้น
แต่ก็อีกเช่นเคย ที่มี Deep Learning Technic ถูกพัฒนาและนำมาใช้มากมาย ซึ่งเราอาจไม่จำเป็นต้องรู้ทุกตัว บทความนี้เลยขอสรุปเทคนิคที่เรา Must know! จำนวน 4 เทคนิคดังนี้ค่ะ
- Convolutional Neural Networks – CNNs สำหรับการประมวลผลภาพ
- Recurrent Neural Networks – RNNs สำหรับข้อมูลลำดับ
- Long Short-Term Memory (LSTM) สำหรับงานลำดับ
- รูปแบบ Transformer สำหรับ Natural Language Processing
นอกจากนี้ถ้าเพื่อนๆ อยากศึกษาเพิ่มเติม นิกขอแนะนำให้ศึกษาเพิ่มเติมในส่วนของ Frameworks TensorFlow, Keras และ PyTorch ซึ่งทำให้การประยุกต์ใช้ Deep Learning และ NN โมเดลสามารถทำได้ง่ายขึ้น ทั้งในส่วนของงานสายตรง หรือการนำมาใช้วิเคราะห์ และตีความของ Data ในเทอมของการตลาดค่ะ^^
#4 NLP (ที่เป็นพื้นฐานของ Generative AI อย่าง ChatGPT)
NLP หรือ Natural Language Processing (การประมวลผลภาษาธรรมชาติ) ถือเป็นสาขาย่อยของ AI ที่เป็นการสร้างโมเดลเพื่อการโต้ตอบระหว่างมนุษย์และคอมพิวเตอร์ ซึ่งหลักการก็คือการพยายามใช้ความสามารถของโมเดล NLP ทำให้คอมพิวเตอร์ หรือโปรแกรมใดๆ ก็ตามสามารถเรียนรู้ที่จะเข้าใจ ตีความ และสร้างภาษาที่คล้ายกับภาษามนุษย์ได้
โดยตัวอย่างของสิ่งที่มี NLP เป็นเบื้องหลังที่เราคุ้นเคยกันคือ ChatGPT นั่นเองค่ะ
ซึ่งการประมวลผลภาษาธรรมชาติไม่เพียงแค่เป็นการเชื่อมต่อความสามารถของคอมพิวเตอร์กับภาษามนุษย์เท่านั้น แต่ยังเป็นการเปิดประตูให้กับโอกาสในการเข้าใจและสื่อสารกับมนุษย์ได้อย่างลึกซึ้งยิ่งขึ้น ทำให้เราสามารถทำ Sentiment Anlaysis หรือวิเคราะห์ความหมายแฝงของ Comments ต่างๆ เพื่อเข้าใจลูกค้า หรือผู้ใช้งานได้อย่างแม่นยำ ตลอดจนสามารถกระตุ้นหรือเพิ่ม Engagement ของแพลตฟอร์มจากการเพิ่มคุณค่าแก่ผู้ใช้งานได้
ทั้งนี้ในมุมมองของนักการตลาด เราควรศึกษา NLP เพื่อการใช้งานได้อย่างมีประสิทธิภาพ ทั้งในเรื่องที่กล่าวถึงก่อนข้างต้น เรื่องของการวิเคราะห์ข้อมูล หรือแม้แต่การสร้าง Contents ที่น่าสนใจ และสอดคล้องกับหลักการของ SEO ของ Search Engine แพลตฟอร์มต่างๆ ค่ะ^^
#5 การวิเคราะห์ข้อมูลเชิงสถิติ
ท้ายสุดเราจะมาเข้าสู่ Maths กันค่ะ เพราะ Skill ที่เราจะกล่าวถึงกันนี้คือการวิเคราะห์ของมูลทางสถิติ ซึ่งขั้นตอนประกอบด้วย
- การเก็บรวบรวม
- การตรวจสอบ
- การตีความข้อมูล
โดยกระบวนการทั้งหมดนี้ทำเพื่อสกัดความเข้าใจที่มีค่าจาก Data เพื่อส่งเสริมการตัดสินใจจาก Insights ที่มีครบถ้วนอย่าง Bias น้อยที่สุด
นอกจากนี้หลักการวิเคราะห์ข้อมูลเชิงสถิติถือเป็นองค์ประกอบทางคณิตศาสตร์พื้นฐานที่สำคัญ สำหรับสำหรับ AI Algorithms จากการประยุกต์ใช้การวิเคราะห์สถิติที่ประกอบด้วยการตรวจจับรูปแบบของข้อมูล การทดสอบสมมติฐาน และการสร้างแบบจำลองการทำนาย (Prediction Model) ดังนั้นการวิเคราะห์สถิติจึงเป็นมากกว่าการจัดการกับตัวเลขเพียงอย่างเดียว แต่เป็นการเจาะลึกเข้าไปในโลกของข้อมูล เพื่อค้นหาความหมายและความเข้าใจที่ซ่อนอยู่ภายใน โดยเฉพาะอย่างยิ่งในบริบทของ Big data analysis ในการทำความเข้าใจและใช้ประโยชน์จากข้อมูลประเภทต่างๆ ได้อย่างมีประสิทธิภาพ 📈📊
ในยุคสมัยที่ข้อมูลกลายเป็นทรัพยากรที่มีคุณค่า การวิเคราะห์สถิติจึงกลายเป็นสิ่งที่นักการตลาด หรือ Data Scientist ไม่สามารถมองข้ามได้ ซึ่งจะช่วยให้เราสามารถแปลงข้อมูลที่ดูเป็นเพียงตัวเลขให้กลายเป็นข้อมูลที่มีความหมาย สามารถนำมาใช้ประโยชน์ และสร้างแนวทางในการตัดสินใจจากข้อมูลได้อย่างมีประสิทธิภาพ ดังนั้น การศึกษาและพัฒนาทักษะด้านการวิเคราะห์สถิติจึงเป็นสิ่งที่มีความสำคัญมากๆ อีกหนึ่ง Skill ในการต่อยอดสู่ 4 ทักษะก่อนหน้าที่แนะนำในบทความนี้ค่ะ^^
Last but not Least…
ท้ายสุดแล้วนิกจากบทความนี้ นิกขอแนะนำแหล่งอ่าน ให้เพื่อนๆ ได้ไปตามเพื่อ Update Skills ต่างๆ ดังนี้ค่ะ => OpenAI — Twitter: @OpenAI, DeepMind — Twitter: @DeepMind, Google AI — Twitter: @GoogleAI, Microsoft Research — Twitter: @MSFTResearchAI, FacebookAI — Twitter: @facebookai, IBM Research — Twitter: @IBMResearch, Salesforce Research — Twitter: @SalesforceResearch, Turing Institute — Twitter: @turinginst และ @AInewsfeed และสำหรับเพื่อนท่านไหนที่ต้องการอ่านหาคอร์สเรียนด้าน AI เพิ่มเติมสามารถอ่านได้จากบทความนี้ค่ะ =>
